AI가 질문까지 대신하기 시작했다
이런 회의 장면을 떠올려 보자. 누군가 꽤 날카로운 질문을 던진다. 놓치고 있던 가정을 짚고 반대 가능성도 열어 둔다. 잠시 뒤 그 질문은 AI가 정리해 준 것이라는 사실이 드러난다.
질문의 출처가 AI라는 사실은 그리 놀랍지 않다. 보고서를 요약하고, 예상 반론을 만들고, 회의에서 물어볼 질문까지 뽑는 일은 이미 흔해지고 있다. 더 눈여겨볼 장면은 그다음이다. 왜 지금 그 질문에 답해야 하는지, 그 질문이 무엇을 흔드는지 아무도 설명하지 못한다. 질문은 있었지만 질문을 가진 사람은 없었다.
이런 회의는 겉으로 보기에 나쁘지 않다. 예전보다 질문이 많고 반론도 빠르게 나온다. 경영진이 놓친 위험과 실무자가 지나친 전제를 AI가 찾아주기도 한다. 회의록에는 검토 항목이 촘촘하게 남는다. 조직이 더 비판적으로 생각하는 것처럼 보인다.
그러나 다음 회의에서 같은 질문을 다시 꺼내는 사람은 없다. 질문이 현재 계획의 어떤 전제를 흔들었는지도 남지 않는다. 회의의 분위기는 지적으로 보였지만 판단의 경로는 달라지지 않았다.
여기서 숙의라는 말부터 풀어둘 필요가 있다. 숙의는 회의를 오래 하거나 모든 사람의 말을 한 번씩 듣는다는 뜻이 아니다. 서로 다른 근거와 반론을 놓고 무엇을 아직 모르는지 확인하며, 필요하면 처음의 판단을 바꾸는 과정이다.
충분히 따져본 모양은 갖추었지만 생각이 판단을 움직이지 못하는 상태를 이 글에서는 숙의 모방이라고 부르려 한다. 뒤에서 제안할 합성된 이견과 함께, 현장 관찰과 인접 연구를 연결해 이 글이 붙인 가설적 이름이다.
AI가 조직의 사고를 약하게 만드는 길은 답에만 있지 않다. 질문까지 대신하기 시작할 때 조직은 비판적으로 생각하는 모습을 유지한 채 문제의식의 소유권을 잃을 수 있다.
좋은 질문이 많아졌는데 생각은 깊어지지 않는다
우리는 오랫동안 AI의 답을 걱정했다. 답이 틀리지는 않는지, 존재하지 않는 사실을 만들지는 않는지, 데이터의 편향을 반복하지는 않는지가 중심 문제였다. 당연히 필요한 걱정이다. 틀린 답은 잘못된 결정을 만들 수 있다.
이제는 다른 장면도 살펴야 한다. AI는 답을 만드는 도구에서 문제를 정리하는 도구로 이동하고 있다. 회의 자료를 넣고 “우리가 놓친 질문을 뽑아줘”라고 요청하면 몇 초 안에 그럴듯한 목록이 나온다. “이 전략에 반대하는 입장에서 질문해줘”, “CEO가 물을 만한 질문을 만들어줘”, “숨은 가정과 위험을 찾아줘”라는 요청도 어렵지 않다. 질문을 만드는 비용이 거의 사라진 셈이다.
그 결과 질문이 귀해지는 대신 넘쳐나기 시작했다. 한 사람이 스스로 생각해 낼 수 있는 범위를 넘어 여러 관점의 질문을 얻는다. 재무, 고객, 운영, 규제, 경쟁, 기술의 관점을 한 번에 펼칠 수 있다. 이전 회의였다면 나오지 않았을 질문도 테이블 위에 올라온다.
여기에는 이전과 다른 변화가 하나 더 숨어 있다. 같은 AI가 제안서의 논리를 만들고 그 제안서에 대한 반론도 만든다. 한쪽 화면에는 “왜 해야 하는가”가 정리되고, 다른 쪽에는 “무엇을 놓쳤는가”가 정리된다. 서로 다른 목소리가 토론하는 것처럼 보이지만 두 목소리 모두 같은 자료와 비슷한 프롬프트의 경계 안에서 만들어졌을 수 있다.
나는 이를 합성된 이견이라고 부르려 한다. 이견의 문장은 존재하지만 서로 다른 경험과 이해관계에서 나온 독립적인 문제 감지는 없을 수 있다는 뜻이다.
여기까지는 분명한 이익이다. AI는 사람이 혼자 떠올리기 어려운 관점을 짧은 시간 안에 펼쳐 준다. 질문의 생산량은 늘었지만 사고의 깊이까지 함께 늘었다고 보기는 어렵다.
사람이 던지는 질문은 대개 기대와 현실이 어긋난 자리에서 시작한다. 고객의 반응이 예상과 달랐거나, 숫자는 좋은데 현장의 긴장이 커졌거나, 기존 설명으로는 이해되지 않는 일이 생겼을 때 묻게 된다. 질문에는 문장보다 먼저 그 질문을 필요하게 만든 마찰이 있다.
AI는 그 마찰이 없어도 좋은 질문의 문법을 재현할 수 있다. 반례를 요구하고, 숨은 가정을 찾고, 이해관계자를 바꾸어 보며 빈틈을 만든다. 유용한 능력이지만 문법이 있다는 사실만으로 조직이 실제 문제를 감지했다고 볼 수는 없다. 생성된 질문을 붙잡으려면 우리 조직의 어떤 관찰과 불편이 그 질문에 무게를 주는지 찾아야 한다.
질문은 의문문 형태를 갖추는 데서 끝나지 않는다. 익숙한 설명이 더는 현실과 맞지 않는다는 사실을 받아들일 때 비로소 시작된다.
답은 판단을 닫고, 질문은 생각한 척하게 할 수 있다
AI가 조직의 판단에 영향을 주는 방식은 적어도 두 갈래로 나눌 수 있다.
첫 번째는 답이 너무 완결돼 보이는 경우다. 예측값이 정교하고 시각화가 생생할수록 아직 일어나지 않은 미래가 이미 확인된 사실처럼 느껴질 수 있다. 회의의 관심은 “어떤 가정에서 나온 결과인가”에서 “누가 언제 실행할 것인가”로 옮겨간다. 정보가 충분해서가 아니라 표현이 충분히 확실해 보이기 때문에 판단이 끝난다.
폴 레오나르디(Paul M. Leonardi)와 버지니아 리벨(Virginia Leavell)은 같은 AI 기반 도시 시뮬레이션을 사용한 두 계획조직을 비교했다.[1] 한 조직은 모델의 세부 수준과 몰입감을 높였고, 이해관계자들은 결과를 조건부 시나리오보다 현실의 예측에 가깝게 받아들였다. 전문가가 가정과 한계를 해석하는 역할은 뒤로 밀렸다. 다른 조직은 일정한 추상성을 남기고 모델을 여러 탐색 도구 가운데 하나로 다뤘다. 저자들은 불확실한 미래가 AI 표현을 통해 알 수 있는 현실처럼 굳어지는 현상을 인공적 확실성이라고 설명한다.
이 연구의 핵심은 화면의 정교함 자체를 낮추는 데 있지 않다. 같은 결과라도 어떻게 보여주고, 누가 해석하고, 어떤 질문과 함께 배치하느냐에 따라 조직 안에서 지위가 달라진다는 뜻이다. 어떤 표현은 미래에 대한 토론을 열고, 어떤 표현은 미래가 이미 결정됐다는 감각을 만든다.
두 번째 갈래는 답이 아니라 질문에서 생긴다. AI가 반론과 비판 질문을 풍부하게 만들어 주면 회의는 닫히지 않은 것처럼 보인다. 참석자들은 여러 가능성을 검토했고 위험을 물었으며 반대 의견도 들었다고 느낀다. 특히 AI가 만든 주장에 AI가 만든 반론을 붙이면 충분히 따져본 외형은 빠르게 완성된다.
하지만 그 질문을 왜 골랐는지 설명하는 사람이 없고, 질문이 어느 전제를 흔드는지도 보이지 않는다면 함께 따져보는 과정은 실제로 열리지 않은 것과 같다. AI가 만든 질문이 확실한 답의 권위를 견제하는 대신, 비판적으로 생각했다는 안도감을 제공할 수 있다. 질문이 사라진 것이 아니라 질문의 책임이 사라진다.
첫 번째 경로에서는 AI의 답이 판단을 일찍 닫는다. 두 번째 경로에서는 AI의 질문이 충분히 생각한 듯한 인상을 만든다. 표현은 다르지만 결과는 비슷하다. 조직은 무엇을 아직 모르는지 다루지 않은 채 다음 단계로 넘어간다.
질문을 말한 사람과 질문을 가진 사람
최근 전략 연구는 AI가 맡을 수 있는 인지 과업과 조직이 AI에 부여하는 재량을 구분한다. 펠리페 A. 차사르(Felipe A. Csaszar)와 동료들은 예측에서 개입, 반사실 추론, 새로운 인과모형 구성으로 이어지는 인과 추론의 사다리와, 정보 지원에서 전략적 재량으로 이어지는 위임의 사다리를 나란히 제시했다.[2] 이 구도에서 인간은 목표와 대안을 정하고 문제를 프레이밍하며 전략적 약속을 승인하는 중심 역할을 유지한다.
현실의 회의에서는 이 분업이 조금 더 복잡할 수 있다. 최종 질문을 고르고 화면에 띄우고 입으로 읽은 사람은 인간이다. 결재권도 여전히 사람에게 있다. 그러나 질문의 후보와 문제의 범위, 반대 논리와 중요도의 순서까지 AI가 먼저 구성했다면 문제를 실제로 프레이밍한 주체가 누구인지는 흐려진다.
여기서 형식적 권한과 실질적 권한이 갈라진다. 형식적으로는 사람이 질문했다. 실질적으로는 AI가 만든 문제 목록 가운데 하나를 전달했을 뿐일 수 있다. 사람의 이름으로 질문이 발화됐다는 사실만으로 그 사람이 문제의식을 소유한다고 보기 어려운 이유다.
그렇다고 질문의 최초 생성자를 찾아 소유권을 판정할 수는 없다. 좋은 질문은 원래 다른 사람의 말, 책, 현장 경험, 데이터에서 온다. 동료가 던진 질문을 듣고 자신의 문제로 삼는 경우도 많다. AI가 만들었다는 이유만으로 질문을 가짜라고 부르면 생각이 자라는 실제 과정을 지나치게 좁게 보게 된다.
질문의 출처만으로는 조직이 생각했는지 판단할 수 없다. 질문 앞에 이를 필요하게 만든 현실의 마찰이 있는지, 그 질문이 기존의 어떤 전제를 흔드는지를 함께 봐야 한다. 이 전후관계가 없다면 질문은 날카로워도 아직 차용된 질문에 머문다.
둘의 차이는 회의가 끝난 뒤 더 선명해진다. 소유된 질문은 이후의 관찰을 바꾼다. 이전에는 지나치던 고객의 말과 숫자의 어긋남이 새롭게 보이고, 기존 설명을 다시 확인하게 한다. 차용된 질문은 회의록에는 남아도 사람들이 현실을 보는 방식에는 흔적을 남기지 못한다.
AI는 질문의 문법과 반론의 형식을 빠르게 제공할 수 있다. 그러나 그 질문이 왜 우리 조직에서 지금 중요하며 무엇을 다시 보게 만드는지는 사람이 현실과 연결해야 한다.
질문의 수가 아니라, 그 질문이 어디서 와서 무엇을 흔드는지가 조직이 실제로 생각했는지를 보여준다.
참고문헌과 주석
- Leonardi, P. M., & Leavell, V. (2026). Knowing Enough to Be Dangerous: The Problem of Artificial Certainty for Expert Authority When Using AI for Decision Making and Planning. Organization Science, 37(2), 516-543. https://doi.org/10.1287/orsc.2023.18224
- Csaszar, F. A., Lee, G., Zemsky, P., & Zenger, T. (2026). Can AI Do Strategy? Strategy Science, 11(1), 1-15. https://doi.org/10.1287/stsc.2026.intro.v11.n1